[發明專利]基于殘差收縮及雙向長短期記憶網絡的調制識別方法

在審

• 申請號: 202111593241.8
• 申請日: 2021-12-23
• 公開（公告）號: CN114239749A
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 謝躍雷;肖瀟;許強;鄧涵方;曾浩南;謝星麗;王勝;梁文斌;蔣俊正;歐陽繕;廖桂生
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 羅玉榮

本發明公開了一種基于殘差收縮及雙向長短期記憶網絡的調制識別方法，其特征在于，包括如下步驟：1）信號預處理；2）構建基于殘差收縮及雙向長短期記憶網絡訓練模型；3）訓練網絡；4）分類識別。這種方法訓練特征參數少、步驟簡潔、復雜度低，無需對信號進行復雜的預處理及人工特征提取，省去了人為提取特征的時間成本，適用范圍廣、抗噪性能好、識別精度高。

技術領域

本發明涉及信號調制識別技術，尤其涉及信號的接收、處理、特征提取、深度學習等技術，具體是一種基于殘差收縮及雙向長短期記憶網絡的調制識別方法。

背景技術

通信信號的識別在通信電子對抗、無線電信號管理等領域有著重要的地位和作用，多年來一直是非協作通信領域共同關注的研究課題。目前，信號調制方式識別得到廣泛運用，主要民用場景為無線電管理、無線信號監控、認知無線電以及電子偵察、通信對抗等場景。在信號識別領域，國內外科研人員已做了大量工作，經過幾十年的發展，逐漸分為兩類：基于極大似然的決策論方法和基于特征提取的模式識別方法。基于決策論的識別方法以貝葉斯理論為核心，將識別問題轉化為多重假設檢驗問題，此類方法具有優秀的識別和分選性能，但計算量過大在實際工程應用中非常受限，而基于特征提取的識別方法因其計算復雜度低、工程效率高，在近年來得到了較大發展，并取得了較多成果。但特征的提取大多需要人為對接收信號進行計算及預處理、且特征的適用范圍影響著信號識別類型的數量，一些魯棒性較差的特征提取方法也極易受噪聲影響，因此研究更多更有效的調制識別方法具有至關重要的意義。

近年來大數據、人工智能的興起促使深度學習在調制識別領域有了較大發展，2016年Tim O’Shea等人提出了進行無線電信號分類的卷積神經網絡模型并公開了數據集RML2016.10a，該方法無需對信號進行人工特征提取及預處理等流程，直接使用IQ信號對神經網絡進行訓練并分類，并達到了70％以上的識別率，這篇論文是較早使用無監督學習技術進行調制識別的研究之一，此后許多學者利用該數據集繼續研究，提出了許多識別精度更好、更優秀的神經網絡模型。

循環神經網絡RNN(Recurrent Neural Network，簡稱RNN)是一種用于處理序列數據的神經網絡，而長短期記憶網絡LSTM(Long Short-Term Memory，簡稱LSTM)作為一種特殊的RNN能夠更好的處理梯度消失和梯度爆炸問題，比起普通RNN能夠在更長的序列中有更好的表現，但LSTM無法編碼從后向前的信息，只能單向預測。雙向長短期記憶網絡BiLSTM(Bi-directional Long Short-Term Memory，簡稱BiLSTM)可對信息雙向預測，將信息的前后輸入共同利用，預測更加準確。

深度殘差收縮模塊DRSM(deep residual shrinkage module，簡稱DRSM)是殘差模塊的變體，在殘差模塊的基礎上引入了軟閾值化，在含噪信號的分類識別上比傳統殘差模塊有著更好的效果。

發明內容

本發明的目的是針對現有技術的不足，而提供一種基于殘差收縮及雙向長短期記憶網絡的調制識別方法。這種方法訓練特征參數少、步驟簡潔、復雜度低，無需對信號進行復雜的預處理及人工特征提取，省去了人為提取特征的時間成本，適用范圍廣、抗噪性能好、識別精度高。

實現本發明目的的技術方案是：

一種基于殘差收縮及雙向長短期記憶網絡的調制識別方法，包括如下步驟：

1)提取公開數據集RML2016.10a中的時域IQ信號，按信噪比和數據集中的11種信號進行劃分，每個樣本包含128個采樣點，初始樣本維度為2×128，將維度轉換為128×2，轉換后數據集大小為220000×128×2，其中70％作為訓練集，30％作為測試集，并標注各樣本的調制類別標簽；

2)構建基于殘差收縮及雙向長短期記憶網絡訓練模型：基于殘差收縮及雙向長短期記憶網絡訓練模型設有卷積模塊、BiLSTM模塊、殘差收縮模塊以及輸出模塊，各模塊構建及參數設置如下：